本申请属于机器学习领域领域，尤其涉及基于yolov8的sar船舶图像目标检测的方法和系统。
背景技术：
1、sar技术是利用雷达波的穿透能力进行遥感测绘的技术，无论在白天或夜晚，无论天气状况，sar技术均能获取地表高分辨率图像。这使得sar技术成为海洋和陆地监测的重要工具，特别是在船舶检测和海上安全保障方面。目前，船舶目标在sar图像中的检测通常采用的是基于传统图像处理技术的方法或深度学习算法。在深度学习领域，yolo(you onlylook once)系列算法因其检测速度快而被广泛应用于多种实时检测任务。然而，现有的基于yolo的方法在应用于sar图像船舶检测时遇到了以下几个问题：
2、模型复杂度:yolo系列算法虽然检测速度快，但其网络模型通常较为复杂，参数多，对计算资源的需求较高，这限制了其在资源受限的移动端设备或边缘设备上的应用。
3、适应性:现有的yolo模型主要是针对光学图像设计的，而sar图像的特性与光学图像有很大的不同，包括但不限于图像对比度、噪声特性和目标反射特性等。这就需要模型能够适应sar图像的特点，而现有技术往往在这方面存在缺陷。
4、检测精度:尽管有些改进的yolo版本尝试通过增加网络深度或宽度来提高检测精度，但这种方法通常会导致模型更加庞大，实时性能降低。此外，sar图像中的船舶目标尺寸多变，这对检测算法的尺寸适应性提出了更高的要求。
技术实现思路
1、本发明实施例的主要目的在于提供一种基于yolov8的sar船舶图像目标检测的方法，通过c2f改进提升了对sar图像检测的准确性和鲁棒性，通过注意力机制改进，扩大了主干网络的全局感受野，提升了对目标区域的识别能力，通过损失函数改进提高了对小物体的识别能力。
2、第一方面，提供了基于yolov8的sar船舶图像目标检测的方法，所述方法包括：
3、对初始yolov8模型进行改进，获取已改进yolov8模型，所述改进包括：c2f模块改进、注意力机制改进以及损失函数改进；
4、通过训练图像对所述已改进yolov8模型进行训练，获取已训练yolov8模型；
5、通过所述已训练yolov8模型对待检测sar图像进行特征提取，获取特征图像；
6、根据所述特征图像获取目标检测的结果。
7、在一个可能的实现方式中，在所述通过所述已训练yolov8模型对待检测sar图像进行特征提取，获取特征图像的步骤之前，所述方法还包括：
8、对所述待检测sar图像进行增强处理，所述增强处理包括：平移、缩放以及mosaic增强。
9、在一个可能的实现方式中，所述对初始yolov8模型进行改进，获取已改进yolov8模型；
10、将所述初始yolov8模型的主干网络的第三c2f模块和第四c2f模块中bottleneck的conv均替换为dcnv2模块，并根据所述dcnv2模块形成dcnv2_c2f模块，获取第一改进yolov8模型；
11、在所述第一改进yolov8模型的主干网络的最后一层的sppf模块之后添加simam注意力机制，获取第二改进yolov8模型；
12、将所述第二改进yolov8模型中的ciou损失函数替换为动态非单调聚焦机制wiou损失函数，获取已改进yolov8模型。
13、在一个可能的实现方式中，所述根据所述特征图像获取目标检测的结果，包括：
14、通过所述已训练yolov8模型的颈部网络中的金字塔结构对所述特征图像进行特征融合，获取已融合特征图像；
15、通过所述已训练yolov8模型的头部网络对所述已融合特征图像进行分析，获取每个预测框的置信度分数；
16、根据所述置信度分数获取目标检测的结果。
17、第二方面，提供了一种基于yolov8的sar船舶图像目标检测的系统，所述系统包括：
18、已改进yolov8模型获取模块，用于对初始yolov8模型进行改进，获取已改进yolov8模型，所述改进包括：c2f模块改进、注意力机制改进以及损失函数改进；
19、已训练yolov8模型获取模块，用于通过训练图像对所述已改进yolov8模型进行训练，获取已训练yolov8模型；
20、特征图像获取模块，用于通过所述已训练yolov8模型对待检测sar图像进行特征提取，获取特征图像；
21、目标检测模块，用于根据所述特征图像获取目标检测的结果。
22、在一个可能的实现方式中，所述系统还包括：
23、增强处理模块，用于对所述待检测sar图像进行增强处理，所述增强处理包括：平移、缩放以及mosaic增强。
24、在一个可能的实现方式中，所述已改进yolov8模型获取模块，包括：
25、第一改进yolov8模型获取单元，用于将所述初始yolov8模型的主干网络的第三c2f模块和第四c2f模块中bottleneck的conv均替换为dcnv2模块，并根据所述dcnv2模块形成dcnv2_c2f模块，获取第一改进yolov8模型；
26、第二改进yolov8模型获取单元，用于在所述第一改进yolov8模型的主干网络的最后一层的sppf模块之后添加simam注意力机制，获取第二改进yolov8模型；
27、已改进yolov8模型获取单元，用于将所述第二改进yolov8模型中的ciou损失函数替换为动态非单调聚焦机制wiou损失函数，获取已改进yolov8模型。
28、在一个可能的实现方式中，所述目标检测模块，包括：
29、已融合特征图像获取单元，用于通过所述已训练yolov8模型的颈部网络中的金字塔结构对所述特征图像进行特征融合，获取已融合特征图像；
30、置信度分数获取单元，用于通过所述已训练yolov8模型的头部网络对所述已融合特征图像进行分析，获取每个预测框的置信度分数；
31、目标检测结果获取单元，用于根据所述置信度分数获取目标检测的结果。
32、第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面提供的基于yolov8的sar船舶图像目标检测的方法。
33、第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面提供的基于yolov8的sar船舶图像目标检测的方法。
34、在本申请中，通过c2f改进提升了对sar图像检测的准确性和鲁棒性，通过注意力机制改进，扩大了主干网络的全局感受野，提升了对目标区域的识别能力，通过损失函数改进提高了对小物体的识别能力。
1.一种基于yolov8的sar船舶图像目标检测的方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，在所述通过所述已训练yolov8模型对待检测sar图像进行特征提取，获取特征图像的步骤之前，所述方法还包括：
3.如权利要求1-2任一项所述的方法，其特征在于，所述对初始yolov8模型进行改进，获取已改进yolov8模型；
4.如权利要求1-2任一项所述的方法，其特征在于，所述根据所述特征图像获取目标检测的结果，包括：
5.一种基于yolov8的sar船舶图像目标检测的系统，其特征在于，所述系统包括：
6.如权利要求5所述的系统，其特征在于，所述系统还包括：
7.如权利要求5-6任一项所述的系统，其特征在于，所述已改进yolov8模型获取模块，包括：
8.如权利要求5-6任一项所述的系统，其特征在于，所述目标检测模块，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于yolov8的sar船舶图像目标检测的方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的基于yolov8的sar船舶图像目标检测的方法。
